Künstliche Intelligenz
|
|
- Volker Kästner
- vor 5 Jahren
- Abrufe
Transkript
1 Künstliche Intelligenz Vorlesung 4: Suchverfahren Informierte Suche 1/135
2 WIEDERHOLUNG BISLANG... Uninformierte Strategien: bearbeiten den Suchraum systematisch, aber ohne problemspezifisches Wissen ab. Mehr problemspezifisches Wissen kann die Suche schneller zum Ziel führen. problemspezifisches Wissen??? Was ist das? Heuristiken? 2/135
3 WIEDERHOLUNG BISLANG... Uninformierte Strategien: bearbeiten den Suchraum systematisch, aber ohne problemspezifisches Wissen ab. Mehr problemspezifisches Wissen kann die Suche schneller zum Ziel führen. problemspezifisches Wissen??? Was ist das? Heuristiken? Heuristiken! Heuristiken bewerten die Güte eines Zustand und steuern dadurch die Suche. 2/135
4 WIEDERHOLUNG BISLANG... Greedy Suche: Best First, Hillclimbing Allgemeiner Suchalgorithmus mit Tree - Search Noch nicht expandierte Nachfolgerknoten kommen in die Warteschlange Aus der Warteschlange wird geeignet der nächste zu expandierende Knoten ausgewählt. 3/135
5 WIEDERHOLUNG BISLANG... Allgemeiner Ansatz zur informierten Suche: Best - First -Search Der jeweils bezüglich einer Bewertungsfunktion f (n) beste Knoten in der Warteschlange wird expandiert. Diese Warteschlange ist eine Prioritätswarteschlange Die Bewertungsfunktion f (n) setzt sich aus der Heuristik h(n) und der Geschichte g(n) des Knotens zusammen. 4/135
6 BEISPIELE Greedy Search: f (n) = h(n) Breitensuche: f (n) = g(n) h(n) sind die geschätzten Kosten von Knoten n zum Ziel (Heuristik) g(n) sind die bisherige Kosten auf dem Weg vom Startknoten bis Knoten n. 5/135
7 BEISPIEL: GREEDY SUCHE 6/135
8 BEISPIEL: GREEDY SUCHE KÜRZESTE STRECKE VON LÜBECK NACH BERLIN 7/135
9 BEISPIEL: GREEDY SUCHE GREEDY SEARCH 8/135
10 BEISPIEL: GREEDY SUCHE GREEDY SEARCH 9/135
11 BEISPIEL: GREEDY SUCHE GREEDY SEARCH 10/135
12 BEISPIEL: GREEDY SUCHE GREEDY SEARCH 11/135
13 BEISPIEL: GREEDY SUCHE GREEDY SEARCH Gier ist nicht immer gut... Optimalität wird nicht erreicht Greedy Suche nicht vollständig, da Zykel möglich 12/135
14 INFORMIERTE SUCHE: A -ALGORITHMUS Wir suchen nach einen optimalen Algorithmus. Was lernen wir aus dem Greedy Beispiel? 13/135
15 INFORMIERTE SUCHE: A -ALGORITHMUS Wir suchen nach einen optimalen Algorithmus. Was lernen wir aus dem Greedy Beispiel? Es reicht nicht aus, nur die verbleibende Entfernung zum Ziel zu betrachten Auch der zurückgelegte Weg ist entscheidend A Suche: f (n) = g(n) + h(n). 13/135
16 A -ALGORITHMUS Suchproblem Startknoten Zieltest Z Nachfolgerfunktion NF. Annahme: Es gibt nur eine Kante zwischen zwei Knoten. (Graph ist schlicht) Kantenkosten g(n1, N 2 ) R. Heuristik h schätzt Abstand zum Ziel Ziel: Finde kostenminimalen Weg vom Startknoten zu einem Zielknoten 14/135
17 BEISPIEL: ROUTENSUCHE 15/135
18 A -ALGORITHMUS Kombination positiver Fakten der Suche mit einheitlichen Kosten Optimalität und Vollständigkeit Sortierte Schlangen Greedy Suchverfahren Geschwindigkeit Sortierung anhand Evaluierung Evaluierungsfunktion f (n) Kostenabschätzung für den Pfad durch Knoten n: f (n) = g(n) + h(n) g(n) - Kostenfunktion vom initialen Zustand bis zum Zustand n h(n) - Heuristische Kostenfunktion vom Zustand n bis zum Zielzustand Minimisierung der gesamt Kosten für ein Pfad 16/135
19 A -ALGORITHMUS Bedingungen an die Heuristik: Zulässig: Niemals Kosten überschätzen! Der kürzeste Weg von n zum Ziel hat einen größeren Kosten, als der der von der Heuristik abgeschätzt wird. Konsistenz: bewirkt aufsteigende f -Werte entlang jedes Pfades h(n) c(n, n ) + h(n ), für n Nachfolger von n. 17/135
20 BEISPIEL: DAS RUCKSACK-PROBLEM Volumen W, n Objekte (o 1, o 2,..., o n ), jedes Objekt bringt ein Gewinn p i, i = 1, 2,..., n. o 1 o 2 o 3 o 4 p i w i Lösung: für W = 5 o 1 und o 3 g(n) = p i für ausgewählte Objekte o i h(n) = p j für nicht ausgewählte Objekte und wj W w i Jeder einzelne Knoten ist ein Tupel (p, w, p, f ) mit: p - Gewinn der ausgewählten Objekte (Funktion g(n)) w - Gewicht der ausgewählten Objekte p - maximaler Gewinn der erreicht werden kann aus dem jetzigen Zustand unter Betrachtung des freien Platzes im Rucksack (Funktion h(n)) 18/135
21 A -ALGORITHMUS Theorem Die Tree-Search Version des A -Algorithmus ist optimal, falls h(n) zulässig ist und die Graph-Search Version ist optimal, falls h(n) konsistent ist. 19/135
22 BEISPIEL: A -ALGORITHMUS 71 Oradea Neamt Zerind 75 Arad Timisoara Drobeta 151 Sibiu 99 Fagaras 80 Rimnicu Vilcea Lugoj Mehadia 120 Pitesti Bucharest 90 Craiova Giurgiu 87 Iasi Urziceni Vaslui Hirsova 86 Eforie 20/135
23 BEISPIEL: A -ALGORITHMUS (a) The initial state (b) After expanding Arad Arad 366=0+366 Arad Sibiu 393= Timisoara 447= Zerind 449= (c) After expanding Sibiu Arad Sibiu Timisoara Zerind 447= = Arad Fagaras Oradea Rimnicu Vilcea 646= = = = (d) After expanding Rimnicu Vilcea Arad Sibiu Timisoara Zerind 447= = Arad Fagaras Oradea 646= = = Rimnicu Vilcea Craiova Pitesti Sibiu 526= = = (e) After expanding Fagaras Arad 21/135
24 BEISPIEL: A -ALGORITHMUS 22/135
25 A -ALGORITHMUS Für aufsteigende Funktionen f, können wir sogenannte Kontouren zeichnen: Knoten innerhalb einer Höhenlinie haben kleinere f -Kosten als der Wert der Höhenlinie. h(n) = 0: Kreise um den Startpunkt Umso bessere Heuristiken wir benutzen, werden die Höhenlinien in Richtung Zielzustand verlängert und sind zentriert um den optimalen Pfad. A expandiert alle Knoten, so dass f (n) < C auf der Höhenlinie Manche Knoten expandieren zu f (n) = C Knoten n mit f (n) > C werden nie expandiert Der A -Algorithmus ist optimal effizient für jede konsistente Heuristik! 23/135
26 BEISPIEL: A -ALGORITHMUS O Z N A T 380 S 400 R L F P I V D M C 420 G B U H E Abbildung 1: Höhenlinien für f = 380, f = 400, f = 420 mit Arad als Startknoten. 24/135
27 A -ALGORITHMUS REVISITED 25/135
28 A -ALGORITHMUS REVISITED 26/135
29 A -ALGORITHMUS Komplexitätsanalyse: Zeitkomplexität: b Verzweigungsfaktor, d max maximale Tiefe, T(n) = 1 + b + b b dmax O(b dmax ) Speicherkomplexität: d Tiefe der Lösung, S(n) = 1 + b + b b d O(b d ) Vollständigkeit: Ja Optimalität: Ja Vorteile: Expandiert die kleinste Anzahl von Knotem im Baum Nachteile: Verbraucht viel Speicherplatz Anwendungen: Planungsprobleme, Probleme mit partielle Summen (Rucksack, Münzen), Puzzles, Optimale Pfade in Graphen 27/135
30 BEISPIEL 28/135
31 BEISPIEL 29/135
32 BEISPIEL 30/135
33 BEISPIEL 31/135
34 BEISPIEL 32/135
35 BEISPIEL 33/135
36 BEISPIEL 34/135
37 BEISPIEL 35/135
38 BEISPIEL 36/135
39 BEISPIEL 37/135
40 BEISPIEL 38/135
41 BEISPIEL 39/135
42 BEISPIEL 40/135
43 BEISPIEL 41/135
44 BEISPIEL 42/135
45 BEISPIEL 43/135
46 BEISPIEL 44/135
47 BEISPIEL 45/135
48 BEISPIEL 46/135
49 BEISPIEL 47/135
50 BEISPIEL 48/135
51 BEISPIEL 49/135
52 BEISPIEL 50/135
53 BEISPIEL 51/135
54 BEISPIEL 52/135
55 BEISPIEL 53/135
56 BEISPIEL 54/135
57 BEISPIEL 55/135
58 BEISPIEL 56/135
59 BEISPIEL 57/135
60 BEISPIEL 58/135
61 BEISPIEL 59/135
62 BEISPIEL 60/135
63 BEISPIEL 61/135
64 BEISPIEL 62/135
65 BEISPIEL 63/135
66 BEISPIEL 64/135
67 BEISPIEL 65/135
68 BEISPIEL 66/135
69 BEISPIEL 67/135
70 BEISPIEL 68/135
71 BEISPIEL 69/135
72 BEISPIEL 70/135
73 BEISPIEL 71/135
74 BEISPIEL 72/135
75 BEISPIEL 73/135
76 BEISPIEL 74/135
77 BEISPIEL 75/135
78 BEISPIEL 76/135
79 BEISPIEL 77/135
80 BEISPIEL 78/135
81 BEISPIEL 79/135
82 BEISPIEL 80/135
83 BEISPIEL 81/135
84 BEISPIEL 82/135
85 BEISPIEL 83/135
86 BEISPIEL 84/135
87 BEISPIEL 85/135
88 BEISPIEL 86/135
89 SPEZIALFÄLLE Wenn h(n) = 0 für alle Knoten N, dann ist A -Algorithmus dasselbe wie die sogenannte Gleiche-Kosten-Suche Wenn c(n 1, N 2 ) = k für alle Knoten N 1, N 2 und h(n) = 0 für alle Knoten N, dann ist A -Algorithmus gerade die Breitensuche. 87/135
90 VARIANTE: A o -ALGORITHMUS A o -Algorithmus findet alle optimalen Wege Abänderung am A -Algorithmus: sobald erster Zielknoten mit Wert d expandiert wurde: Füge in Open nur noch Knoten mit g(n) + h(n) d ein Andere Knoten kommen in Closed Stoppe erst, wenn Open leer ist Theorem Wenn die Voraussetzungen für den A -Algorithmus gelten, dann findet der Algorithmus A o alle optimalen Wege von S zum Ziel. 88/135
91 A -ALGORITHMUS Versionen iterative deepening A (IDA ) memory-bounded A (MA ) simplified memory bounded A (SMA ) recursive best-first search (RBFS) dynamic A (DA ) real time A hierarchical A 89/135
92 PROBLEME MIT A Speichert alle Knoten erhöhte Speicherkomplexität!!! Ist unpraktisch für Suchprobleme mit sehr großem Suchraum. Es existieren Verfeinerungen, die das Problem der Speicherkomplexität lösen, mit einer kleiner Erhöhung der Zeitkomplexität. 90/135
93 ITERATIVE DEEPENING A (IDA ) Wir passen die Idee der iterativen Tiefensuche an dem A -Algorithmus an. Die Suche ist gesteuert von der Kostenfunktion f (n) und nicht von der Tiefe Für die nächste Iteration wird der kleinste Wert f (n) des Knoten n, welches die Grenze der letzten Iteration überschreitet gewählt. Sehr oft benutzt in praktische Anwendungen! 91/135
94 ITERATIVE DEEPENING A (IDA ) Ist analog zu A. Es gibt keine Open/Closed-Listen, nur einen Stack mit Knoten und Wegekosten. Der Wert g(n) wird bei gerichteten Graphen nicht per Update verbessert. Der Knoten n wird nicht expandiert, wenn f (n) > d. Das Minimum der Werte f (n) mit f (n) > d wird das d in der nächsten Iteration. 92/135
95 ITERATIVE DEEPENING A (IDA ) 93/135
96 ITERATIVE DEEPENING A (IDA ) 94/135
97 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 95/135
98 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 96/135
99 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 97/135
100 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 98/135
101 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 99/135
102 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 100/135
103 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 101/135
104 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 102/135
105 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 103/135
106 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 104/135
107 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 105/135
108 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 106/135
109 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 107/135
110 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 108/135
111 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 109/135
112 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 110/135
113 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 111/135
114 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 112/135
115 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 113/135
116 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 114/135
117 BEISPIEL: ITERATIVE DEEPENING A (IDA ) 115/135
118 ITERATIVE DEEPENING A (IDA ) Speicherkomplexität: Linear in der Länge des optimalen Weges Problem: Durch Nicht-Speichern der entdeckten Knoten: Eventuell exponentiell viele Pfade ablaufen (Zeit) Wir brauchen einen anderen Algorithmus 116/135
119 REKURSIVE BEST-FIRST-SUCHE Analog zur Bestensuche aber mit linearem Speicherplatz. Analog zur Tiefensuche: benutzt die f limit Variable um den Wert von f zu verfolgen, entlang des besten alternativen Pfades von jedem Vorgänger des laufenden Knotens. Falls der laufende Knoten über f limit ist, dann geht man rekursiv zum nächsten alternativen Pfad. f (n) wird mit dem Wert des Nachfolgers reinstanziert: der Algorithmus merkt sich das beste Blatt im eliminierten Unterbaum. 117/135
120 REKURSIVE BEST-FIRST-SUCHE h(n) zulässig, dann RBFS ist optimal. Speicherkomplexität linear: O(bd). Zeitkomplexität: exponential (exzessive Knotenexpansion). 118/135
121 REKURSIVE BEST-FIRST-SUCHE 119/135
122 BEISPIEL: REKURSIVE BEST-FIRST-SUCHE (a) After expanding Arad, Sibiu, and Rimnicu Vilcea 447 Sibiu Arad Fagaras Oradea Rimnicu Vilcea Arad 366 Timisoara Zerind Craiova Pitesti Sibiu (b) After unwinding back to Sibiu and expanding Fagaras Arad Sibiu Arad Fagaras Oradea Rimnicu Vilcea Timisoara 447 Zerind 449 Sibiu 591 Bucharest 450 (c) After switching back to Rimnicu Vilcea and expanding Pitesti Arad Sibiu Timisoara Zerind Arad Fagaras Oradea Rimnicu Vilcea Craiova Pitesti Sibiu Bucharest Craiova Rimnicu Vilcea /135
123 SIMPLIFIED MEMORY-BOUNDED A IDA und RBFS expandieren bereits expandierte Knoten mehrfach Verbesserungspotential! Falls Speicherplatz voll, eliminiere das schlechteste Blatt und speichere Pfad von der Wurzel zu dem eliminierten Knoten. 121/135
124 SMA - SIMPLIFIED MEMORY BOUNDED A Wie A, aber die Größe der Open und Closed-Mengen ist beschränkt. Wenn der Platz verbraucht ist, wird der schlechteste Knoten gelöscht. Schlechtester Knoten: Größter f (n)-wert. 122/135
125 SUCHE NACH GUTEN HEURISTIKEN Wie findet man gute zulässige Heuristiken? Beispiel: 8-Puzzle Start State Goal State 123/135
126 SUCHE NACH GUTEN HEURISTIKEN 8-PUZZLE PROBLEM Mittelwert der notwendigen Schritte zum Ziel: 22 Verzweigungsfaktor: ungefähr 3 Kompletter Suchbaum: 3 22 Knoten Anzahl der erreichbaren Zustände ist nur 9!/2 = Puzzle: Zustände 124/135
127 SUCHE NACH GUTEN HEURISTIKEN 8-PUZZLE PROBLEM h 1 Anzahl der Plättchen an falscher Stelle: h 1 = 8 für den initialen Zustand. h 2 Summe der Entfernungen der Plättchen zu ihrem Zielplatz: Manhattan Entfernung h 2 = = 18. Kosten der Ziellösung: 26, also keine Überschätzung, d.h. beide Heuristiken sind zulässig. 125/135
128 WIE CHARAKTERISIEN WIR DIE GÜTE EINER HEURISTIK? Effektiver Verzweigungsfaktor b : Sei N die Anzahl der von A generierten Knoten für ein Suchproblem Sei d die Tiefe der Lösung b ist der Verzweigungsfaktor eines uniformen Baumes der Tiefe d der N + 1 Knoten enthält. N + 1 = 1 + b + (b ) (b ) d. 126/135
129 BEISPIEL A findet eine Lösung in Tiefe 5 nach 52 Knoten b = 1.92 Eine gute Heuristik hat einen effektiven Verzweigungsfaktor in der Nähe von 1. Teste: 1200 zufällige Probleme h1 und h 2 getestet. h2 besser Auch für kleine Probleme mit z.b. d = 12, A mit h 2 ist mal schneller als uninformierte iterative Tiefensuche 127/135
130 BEISPIEL 128/135
131 HEURISTIKEN FÜR ALLE PROBLEME? JA! ENTSPANNUNG IST ALLES 129/135
132 HEURISTIKEN FÜR ALLE PROBLEME? JA! ENTSPANNUNG IST ALLES Entspannung ist eine Vereinfachung des Problems, so dass die Lösung des initialen Problems ist auch eine Lösung des entspannten Problems Wir müssen das entspannte Problem so formulieren, dass eine Lösung schnell zu finden ist Der Kost der optimalen Lösung des entspannten Problems ist eine untere Schranke der Lösung des ursprünglichen Problems und ist somit eine zulässige und monotone Heuristik für das initiale Problem 129/135
133 BEISPIEL 8-PUZZLE Ein Plättchen kann sich vom Feld A nach Feld B bewegen, falls: A ist mit B senkrecht oder waagerecht benachbart B ist leer. Mögliche Entspannungen: Ein Plättchen kann sich von A nach B bewegen, falls A und B benachbart sind (Manhattan Entfernung). Ein Plättchen kann sich von A nach B bewegen, falls B leer ist. Ein Plättchen kann sich von A nach B bewegen (Heuristik h 1 ). 130/135
134 MUSTERDATENBANKEN PATTERN DATABASE Ein weiterer Vorgang um zulässige Heuristiken zu erzeugen, ist eine Musterdatenbank zu benutzen. Können aus der Lösung eines Subproblems eines gegebenen Problems hergeleitet werden. 131/135
135 BEISPIEL Start State Goal State Abbildung 2: Subproblem einer 8-Puzzle Instanz. Ziel ist die Plättchen 1, 2, 3 und 4 auf korrekte Felder zu bewegen, die anderen Plättchen interesieren uns nicht. 132/135
136 BEISPIEL Die Lösung dieses Subproblems ist eine untere Schranke des Kosts der initialen Instanz Es ist viel besser als die Manhattan Entfernung. 133/135
137 MUSTERDATENBANKEN Speichere genaue Kosten für jegliche Subprobleminstanzen: Im Beispiel: jegliche Konfiguration der 4 Plättchen und des leeren Feldes. Es spielt keine Rolle wo die anderen Plättchen plaziert sind, deren Bewegungen beeinflussen aber den Gesamtkosten. Wir berechnen eine zulässige Heuristik h DB für jeden Zustand der während der Suche getestet wird, indem wir auf das entsprechende Subproblem Konfiguration aus der Datenbank zugreifen. 134/135
138 MUSTERDATENBANKEN Die Datenbank wird folgendermaßen aufgebaut: Suche rückwärts vom Ziel und speichere den Kost eines jeden Musters Die Kosten dieser Suche ist beglichen über der großen Anzahl der Probleminstanzen, die man löst. Für mehrere Heuristiken nehmen wir das Maximum all dieser Funktionen. 135/135
Künstliche Intelligenz
Künstliche Intelligenz Vorlesung 4: Suchverfahren Informierte Suche 1/132 INFORMIERTE SUCHSTRATEGIEN (ISS) Benutzt neben der Definition des Problems auch problemspezifisches Wissen. Findet Lösungen effizienter
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 3: Suchverfahren Informierte Suche 1/78 WIEDERHOLUNG Bislang uninformierte Strategien BFS, DFS, Iteratives Vertiefen, Bidirektionale Suche Wichtige Begriffe: Suchraum,
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune {rudolf.kruse,christian.braune}@ovgu.de Institut für Intelligente Kooperierende Systeme Fakultät für Informatik Otto-von-Guericke-Universität
Mehr13.1 Einführung Einführung. Grundlagen der Künstlichen Intelligenz Gierige Bestensuche 13.3 A Weighted A. 13.
Grundlagen der Künstlichen Intelligenz 31. März 2014 13. Klassische Suche: Gierige Bestensuche, A, Weighted A Grundlagen der Künstlichen Intelligenz 13. Klassische Suche: Gierige Bestensuche, A, Weighted
MehrWissensbasierte Systeme. Kombinatorische Explosion und die Notwendigkeit Heuristischer Suche. Heuristiken und ihre Eigenschaften
1 Michael Beetz Technische Universität München Wintersemester 2004/05 Kombinatorische Explosion und die Notwendigkeit Heuristischer Suche 2 3 der Eigenschaften der 4 : 8-Puzzle 5 Heuristiken und ihre Eigenschaften
MehrInformierte Suchverfahren
Informierte Suchverfahren Für größere Suchbäume sind Breiten- und Tiefesuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt wird.
MehrHeuristische Suche. Uninformierte (blinde) Suchverfahren. erzeugen systematisch neue Knoten im Suchbaum und führen jeweils den Zieltest durch;
Heuristische Suche Uninformierte (blinde) Suchverfahren erzeugen systematisch neue Knoten im Suchbaum und führen jeweils den Zieltest durch; verwenden keine problemspezifische Zusatzinformation. Informierte
MehrStartzustand. Mögliche heuristische Funktionen:
Informierte Suchverfahren Für größere Suchbäume sind Breiten- und Tiefensuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse. raune. Doell {kruse,cbraune,doell}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrZustände und Knoten. Vorgänger Information: Tiefe = 4 ΣKosten=4 Expandiert: ja. Zustand Aktion: right. Aktion: down
Zustände und Knoten Zustände: Schnappschüsse der Welt Knoten: Datenobjekte, welche Zustände repräsentieren und weitere Information enthalten Vorgängerknoten (im Baum 1) Nachfolgerknoten (im Baum b) mit
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrÜbersicht. Informierte (heuristische) Suche. Algorithmus Bester-Zuerst-Suche. Bester-Zuerst-Suche
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 5. Klassische Suche: Beispiele von Zustandsräumen Malte Helmert Universität Basel 7. März 2014 Suchprobleme: Überblick Kapitelüberblick klassische Suche: 3. 5. Einführung
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrBeweise aus dem Fach Grundzüge der Künstlichen Intelligenz
Beweise aus dem Fach Grundzüge der Künstlichen Intelligenz Alexander Pacha TU Wien - Matr. Nr.: 0828440 alexander.pacha@tuwien.ac.at 1 Begriserklärungen Für die folgenden Beweise werden zuerst folgende
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2008/2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln 8-Damen-Problem Gegeben: Schachbrett
Mehr3. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Robert Jäschke Fachgebiet Wissensverarbeitung 3. Übung Künstliche Intelligenz 21.11.2007 Wintersemester 2007/2008 1 Suche Berechnen Sie mit dem Greedy -Suchalgorithmus den Weg von
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 21.4.2009 --- Informierte Suche Suche mit Vorwissen Ingo J. Timm, René Schumann Professur für Wirtschaftsinformatik und Simulation (IS) Wiederholung
Mehr3. Problemlösen durch Suche
3. Problemlösen durch Suche Problemlösende Agenten sind zielorientierte Agenten. Zielformulierung Fokussierung des möglichen Verhaltens unter Berücksichtigung der aktuellen Situation Problemformulierung
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Doell {kruse,cbraune,doell}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
Mehr9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrZustandsraumsuche: Blinde und Heuristische Suche. Blinde und Heuristische Suche
Zustandsraumsuche: Blinde und Heuristische Suche Einführung in die KI Übungsstunde am 01.11.04 Benmin Altmeyer 1 Heute im Angebot Was ist Suche? Suche als Probemlösung Zustandsraumsuche Vollständigkeit
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 24.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation (IS) 3. Uninformierte
MehrGroße Lösungsräume. Leon Schmidtchen Hallo Welt Seminar - LS Leon Schmidtchen Große Lösungsräume Hallo Welt Seminar - LS2
Große Lösungsräume Leon Schmidtchen 1.06.201 Hallo Welt Seminar - LS 2!1 Gliederung Motivation Brute Force Backtracking Pruning Leon Schmidtchen Branch & Bound 1.06.201 Hallo Welt Seminar - LS 2 Wann soll
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrSokoban. Knowledge Engineering und Lernen in Spielen. Mark Sollweck Fachbereich 20 Seminar Knowledge Engineering Mark Sollweck 1
Sokoban Knowledge Engineering und Lernen in Spielen Mark Sollweck 29.04.2010 Fachbereich 20 Seminar Knowledge Engineering Mark Sollweck 1 Überblick Sokoban Spielregeln Eigenschaften Lösungsansatz IDA*
MehrSo suchen Sie zuerst nach der Breite
Künstliche Intelligenz 3. Suche Dr. Claudia Schon schon@uni-koblenz.de Institute for Web Science and Technologies 1 Diese Folien basieren auf den Folien von PD Dr. Matthias Thimm, Universität Koblenz-Landau,
MehrIntelligente Systeme. Suche
Intelligente Systeme Suche Michael Schroeder www.biotec.tu-dredsen.de/schroeder Lehrbuch Folien basieren auf Russell und Norvig: Künstliche Intelligenz: Ein Moderner Ansatz. Dank an Prof. Fürnkranz für
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
MehrBeispiele. mit. Beispiel 2.3. Suche einen Weg von nach. Tiefensuche bzw. Breitensuche.
2. Suchverfahren Uninformierte Suchverfahren Beispiel 2.4. Ein Weinhändler hat drei Krüge, einen von 9 Liter, einen von 7 Liter und einen von 4 Liter Inhalt. Auf den Krügen sind keine Litermarkierungen
MehrÜbersicht. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrLösungshinweise zu Blatt 8 und Blatt 9 GIN2-SS04
Lösungshinweise zu Blatt 8 und Blatt 9 GIN2-SS04 er Baum zum Zustandsgraphen UI UI 0 1 2 3 4 UI 5 6 7 8 UI UI UI UI UI 9 0 1 2 3 4 5 6 7 9 K30 K31 K32 K33 K35 K36 K37 K38 K39 K41 K42 K43 K44 K45 8 K34
Mehrals Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt
5 Suche 12. Vorlesung: Bestensuche; Goal Trees best-first search einfache Bestensuche: als Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt Bewertungsfunktion
MehrEinfacher Problemlösungsagent. Übersicht. Begriffsdefinitionen für Einfach-Probleme
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrDisjoint Pattern Database Heuristics Seminar im SS 10
Disjoint Pattern Database Heuristics Seminar im SS 10 04.05.2010 Disjoint Pattern Database Heuristics Rebekka Gohla 1 Einleitung Suche nach Möglichkeiten Probleminstanzen effizient zu lösen Verschiedene
Mehr8.1 Blinde Suche. Grundlagen der Künstlichen Intelligenz. Klassische Suche: Überblick. 8. Klassische Suche: Breitensuche und uniforme Kostensuche
Grundlagen der Künstlichen Intelligenz 17. März 2014 8. Klassische Suche: Breitensuche und uniforme Kostensuche Grundlagen der Künstlichen Intelligenz 8. Klassische Suche: Breitensuche und uniforme Kostensuche
MehrWissensbasierte Suche
Wissensbasierte Suche Jürgen Dorn Inhalt uninformierte Suche wissensbasierte Suche A* und IDA* Algorithmus Suche in Und/Oder-Graphen Jürgen Dorn 2003 Wissensbasierte Suche 1 Suche Suche in (expliziten
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 6. Klassische Suche: Datenstrukturen für Suchalgorithmen Malte Helmert Universität Basel 7. März 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche:
MehrInhalt. Kognitive Systeme 1. Expansion eines impliziten Suchraums Netz aller möglichen Schritte. Impliziter Suchraum. Uninformierte Suche
Inhalt Uninformierte Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 04.11.2009 1 Implizite Suchgraphen 2 Tiefensuche 3 Breitensuche 4
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrKognitive Systeme 1. Uninformierte Suche. Dr.-Ing. Bernd Ludwig
Kognitive Systeme 1 Uninformierte Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 04.11.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kognitive
MehrGraph Suchalgorithmus Uninformierte Suche Informierte Suche. Pfadsuche. Mario Mohr. GWV-Tutorium 2013/ Januar 2014
Pfadsuche Mario Mohr GWV-Tutorium 2013/14 17. Januar 2014 4 Informierte Suche Heuristik Best-first A* 1 Graph 2 Suchalgorithmus 3 Uninformierte Suche Breadth-first Loop detection & multiple-path pruning
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 16. Klassische Suche: A : Optimalität, Teil II Malte Helmert Universität Basel 4. April 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 3. 5.
MehrEinführung in Suchverfahren
Einführung in Suchverfahren Alfred Kranstedt 0.0.0 Seminar Intelligente Algorithmen Was ist heute Thema?. Was ist ein Suchproblem? Definitionen, Darstellungen etc.. Suchstrategien Blinde Suche Heuristische
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche PD Dr. David Sabel SoSe 0 Stand der Folien:. pril 0 Einführung Blind Search n-damen Missionare & Kannibalen Modellierung
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 14. Klassische Suche: IDA Malte Helmert Universität Basel 31. März 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 3. 5. Einführung 6. 9. Basisalgorithmen
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Tiefensuche und iterative Tiefensuche Malte Helmert Universität asel 21. März 2014 Tiefensuche Iterative Tiefensuche linde Suche: Zusammenfassung
Mehr9.1 Tiefensuche. Grundlagen der Künstlichen Intelligenz. 9.1 Tiefensuche. 9.2 Iterative Tiefensuche. 9.3 Blinde Suche: Zusammenfassung
Grundlagen der Künstlichen Intelligenz 21. März 2014 9. Klassische Suche: Tiefensuche und iterative Tiefensuche Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Tiefensuche und iterative Tiefensuche
MehrEin Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.
Graphen Definition: Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Begriffe: Gerichteter Graph: Alle Kanten haben eine Richtung vom Anfangsknoten
MehrInformatik II: Algorithmen und Datenstrukturen SS 2013
Informatik II: Algorithmen und Datenstrukturen SS 2013 Vorlesung 11b, Mittwoch, 3. Juli 2013 (Editierdistanz, dynamische Programmierung) Prof. Dr. Hannah Bast Lehrstuhl für Algorithmen und Datenstrukturen
MehrKapitel 5: Suchverfahren: Backtracking
Kapitel 5: Suchverfahren: Backtracking Prof. Dr. F. Otto (Universität Kassel) Entwurf und Analyse von Algorithmen 278 / 541 Suchverfahren: Backtracking Viele Probleme lassen sich als Suchprobleme formulieren.
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Graphen 9/1 Begriffsdefinitionen Ein Graph besteht aus Knoten und Kanten. Ein Knoten(Ecke) ist ein benanntes Objekt. Eine Kante verbindet zwei Knoten. Kanten haben ein Gewicht
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Baumsuche und Graphensuche Malte Helmert Universität Basel 13. März 2015 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 5. 7.
MehrMotivation für Suchverfahren. Einführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Motivation für Suchverfahren Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche Prof. Dr. Manfred Schmidt-Schauß SoSe 06 Beispiele: Spiele: Suche nach dem besten
Mehr10.1 Blinde Suche Blinde Suche. Grundlagen der Künstlichen Intelligenz Breitensuche: Einführung BFS-Tree. 10.
Grundlagen der Künstlichen Intelligenz 13. März 2015 10. Klassische Suche: Grundlagen der Künstlichen Intelligenz 10. Klassische Suche: Malte Helmert Universität asel 13. März 2015 10.1 linde Suche 10.2
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche Prof. Dr. Manfred Schmidt-Schauß SoSe 08 Stand der Folien: 9. pril 08 Einführung Blind Search n-damen Missionare
MehrHeuristische Suchverfahren
Heuristische Suchverfahren Suchprozesse sind ein wichtiger Bestandteil unterschiedlicher Problemlöseverfahren z.b. Bestimmung der Konfliktmenge in Produktionssystemen Suche nach resolvierbaren Klauseln
MehrAlgorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
MehrGrundlagen der KI + Reasoning Agents
Grundlagen der KI + Reasoning Agents Prof. Thielscher Welche heuristischen Suchverfahren gibt es? Erläutern Sie A* am Beispiel. Aufbau und Schlussfolgerungen von Bayesschen Netzen. Thielscher drängt auf
MehrGrundlagen von Decision Support und Expertensystemen
Grundlagen von Decision Support und Expertensystemen Peter Becker Hochschule Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@h-brs.de Vorlesung Wintersemester 2012/13 Allgemeines zur Vorlesung Vorbemerkungen
Mehr2 Problemlösen und Suche
Universität Bielefeld Was ist Problemlösen? Problemlösen und Suche. Vorlesung: Suchprobleme und Suchalgorithmen; heuristische Suche Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 003/00 Unter Problemlösen
MehrSmart Graphics: Search 1
Smart Graphics: Search 1 Lecture Smart Graphics Andreas Butz 23.11.2010 1 Über den Studiengang und das Forschungsgebiet Medieninformatik informieren Studenten, Interessenten sowie deren Familie und Freunde
MehrTeil 3. Suchverfahren
Teil 3 Suchverfahren Überblick Suchproblem Allgemeines Suchverfahren Nicht informierte Suche Informierte Suche Iterative Suche Spiele Beispiel 1 Beispiel 1 Beispiel 1 SUCHPROBLEME Problemlösen durch Suche
MehrGrundlagen der Informatik
Jörn Fischer j.fischer@hs-mannheim.de Willkommen zur Vorlesung Grundlagen der Informatik ADS-Teil Page 2 Überblick Inhalt 1 Eigenschaften von Algorithmen Algorithmenbegriff O-Notation Entwurfstechniken
MehrEinführung in die Künstliche Intelligenz SS 18 Prof. Dr. J. Fürnkranz, Prof. Dr. K. Kersting
Einführung in die Künstliche Intelligenz SS 8 Prof. Dr. J. Fürnkranz, Prof. Dr. K. Kersting Beispiellösung für das. Übungsblatt (5.05.208) Aufgabe Agenten-Umgebung a) Eine beispielhafte PEAS-Beschreibung
MehrWie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
MehrA O T. Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz Problemlösen und Suche 27.10.2005 rijnesh J Jain bjj@dai-labor.de Agententechnologien in betrieblichen Anwendungen und der Telekommunikation Lernziele: Wir diskutieren,
MehrKlausur zur Vorlesung Künstliche Intelligenz
Klausur zur Vorlesung Künstliche Intelligenz Ulrich Furbach Claudia Obermaier Arbeitsgruppe Künstliche Intelligenz Fachbereich Informatik, Universität Koblenz-Landau 13.03.2009 Name: Vorname: Matrikelnummer:
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 2: Suchverfahren Uninformierte Suche 1/143 STARKE UND SCHWACHE KI-HYPOTHESE Schwache KI-Hypothese Maschinen (Computer, Roboter,... ) können agieren, alsob sie intelligent
MehrSandro Pirkwieser, (Bin Hu, Jakob Puchinger) SS 2010
Lösungsverfahren für Ganzzahlige Optimierung Sandro Pirkwieser, (Bin Hu, Jakob Puchinger) Fortgeschrittene Algorithmen und Datenstrukturen Arbeitsbereich für Algorithmen und Datenstrukturen Institut für
MehrPro Informatik 2009: Objektorientierte Programmierung Tag 18. Marco Block-Berlitz, Miao Wang Freie Universität Berlin, Institut für Informatik
Tag 18 Marco Block-Berlitz, Miao Wang Freie Universität Berlin, Institut für Informatik 09.09.2009 Agenda Tag 16 Datenstrukturen Abstrakte Datentypen, ADT Folge: Stack, Queue, Liste, ADT Menge: Bäume:
MehrVortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik)
Vortrag Suchverfahren der Künstlichen Intelligenz Sven Schmidt (Technische Informatik) Suchverfahren der Künstlichen Intelligenz Grundlagen Zustandsraumrepräsentation Generische Suche Bewertung von Suchstrategien
Mehr23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108
23. November 2011 Betweenness Centrality Closeness Centrality H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 Betweenness Centrality Grundlegende Idee: Ein Knoten ist wichtig, wenn er auf
MehrKognitive Systeme 1. Heuristische Suche. Dr.-Ing. Bernd Ludwig. Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg
Kognitive Systeme 1 Heuristische Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 12.11.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kognitive
MehrThinking Machine. Idee. Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen
Thinking Machine (http://www.turbulence.org/spotlight/thinking/) Idee Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen Sie wurde von Martin Wattenberg
MehrSmart Graphics: Methoden 2 Suche
Smart Graphics: Methoden 2 Suche Vorlesung Smart Graphics LMU München Medieninformatik Butz/Boring Smart Graphics SS2007 Methoden: Suche Folie 1 Themen heute Smart Graphics Probleme als Suchprobleme Suchverfahren
MehrÜbungsblatt 2 Lösungen
Grundlagen der Künstlichen Intelligenz Prof. Dr. M. Bennewitz, Prof. Dr. W. Burgard, Dr. M. Ragni N. Abdo, Dr. J. Boedecker, M. Göbelbecker, J. Hess Sommersemester 2013 Universität Freiburg Institut für
MehrKünstliche Intelligenz
Künstliche Intelligenz Übungsblatt #1 Modellierung & Suche Prof. Dr. J. Fürnkranz, Dr. G. Grieser Aufgabe 1.1 Wir betrachten folgende Welt: Welt: Die Welt der Staubsauger-Akteure besteht aus Räumen, die
MehrNP-vollständige Probleme
Effiziente Algorithmen Lösen NP-vollständiger Probleme 256 NP-vollständige Probleme Keine polynomiellen Algorithmen, falls P NP. Viele wichtige Probleme sind NP-vollständig. Irgendwie müssen sie gelöst
Mehr1. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Dominik Benz Fachgebiet Wissensverarbeitung 1. Übung Künstliche Intelligenz 05.11.2008 Wintersemester 2008/2009 Vorbemerkungen Vorlesungsfolien und Übungsblätter können Sie im Internet
MehrÜbungsblatt 2 Lösungen
rundlagen der Künstlichen Intelligenz Prof. Dr. J. Boedecker, Prof. Dr. W. Burgard, Prof. Dr. F. Hutter, Prof. Dr. B. Nebel M. Krawez, T. chulte ommersemester 08 Universität Freiburg Institut für Informatik
MehrDatenstrukturen. einfach verkettete Liste
einfach verkettete Liste speichert Daten in einer linearen Liste, in der jedes Element auf das nächste Element zeigt Jeder Knoten der Liste enthält beliebige Daten und einen Zeiger auf den nächsten Knoten
MehrDer Branching-Operator B
Branching 1 / 17 Der Branching-Operator B Unser Ziel: Löse das allgemeine Minimierungsproblem minimiere f (x), so dass Lösung(x). B zerlegt eine Menge von Lösungen in disjunkte Teilmengen. Die wiederholte
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
Mehr2 Problemlösen und Suche
2 Problemlösen und Suche 4. Vorlesung: Suchprobleme und Suchalgorithmen; heuristische Suche Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2008/2009 Kernfragen der Vorlesung 1. Wie lässt sich Wissen
MehrKlausur Grundlagen der Künstlichen Intelligenz
Klausur Grundlagen der Künstlichen Intelligenz 19.04.2007 Name, Vorname: Studiengang: Hinweise: Überprüfen Sie bitte, ob Sie alle 16 Seiten der Klausur erhalten haben. Bitte versehen Sie vor Bearbeitung
MehrHallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Große Lösungsräume Maximilian Seitzer Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Große Lösungsräume Worum geht s hier? Für viele wichtige Probleme sind
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (2) Spannbäume Kürzeste Wege Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 455 Wiederholung Traversierung eines Graphen via Tiefendurchlaufs
MehrMassiv-parallele Suche und effiziente Heuristiken
Diplomarbeit Massiv-parallele Suche und effiziente Heuristiken Robert Maier 10. Januar 2011 Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut für Informatik Gutachter:
MehrAlgorithmen und Datenstrukturen 1 VU 6.0 Nachtragstest SS Oktober 2014
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.813 Algorithmen und Datenstrukturen 1 VU 6.0 Nachtragstest SS 2014 22. Oktober
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 10 (27.5.2016) Binäre Suchbäume II Algorithmen und Komplexität Zusätzliche Dictionary Operationen Dictionary: Zusätzliche mögliche Operationen:
MehrUniversität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008. Jun.-Prof. Dr. B. Beckert. 21.
Name, Vorname: Matrikel-Nr.: Studiengang: Universität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008 Jun.-Prof. Dr. B. Beckert 21. Februar 2008 Informatik (Diplom) Computervisualistik
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphdurchläufe Maike Buchin 22. und 27.6.2017 Graphexploration Motivation: Für viele Zwecke will man den gesamten Graphen durchlaufen, zb. um festzustellen ob er (stark) zusammenhängt.
Mehr7. Dynamische Datenstrukturen Bäume. Informatik II für Verkehrsingenieure
7. Dynamische Datenstrukturen Bäume Informatik II für Verkehrsingenieure Übersicht dynamische Datenstrukturen Wozu? Oft weiß man nicht von Beginn an, wieviele Elemente in einer Datenstruktur untergebracht
Mehr